基于动态Granger-Ramanathan方法的冬小麦高光谱-热红外叶片含水量融合反演研究

《Agronomy》：NDVI-Driven Dynamic Granger–Ramanathan Model by UAV Hyperspectral and Thermal Infrared Imagery for Leaf Water Content Estimation in Winter Wheat

　　

摘要

叶片含水量（LWC）是冬小麦水分状况的关键指标，但无人机高光谱与热红外预测在不同样本间的可靠性存在差异，限制了固定权重融合方法的有效性。为了通过整合高光谱与热红外数据来改善LWC估计，本研究开发了一种动态格兰杰-拉曼塔纳夫均值法（GRA）。采用连续投影算法选择敏感波段，并为每个数据源构建了随机森林、XGBoost和LightGBM模型。使用广义可加模型来表征冠层-气温温差（ΔT）、归一化差异植被指数（NDVI）与单源预测误差之间的关系，从而实现融合权重的动态调整。在单源模型中，随机森林表现最佳，高光谱数据和热红外数据的测试集R²值分别为0.7871和0.6275。常规GRA的R²为0.7645，而基于ΔT和NDVI的驱动动态GRA分别将R²提高至0.8207和0.8224。NDVI驱动的模型实现了最低的RMSE（0.0646）和MAE（0.0497）。应用于720个样本时，该模型的R²达到0.8507，RMSE为0.0591，MAE为0.0451。这些发现表明，基于作物状态的动态加权方法在改善冬小麦多源LWC估计方面具有潜力。